論文の概要: Amortized Data Borrowing with Exchangeability-Aware Neural Posterior Estimation

• arxiv url: http://arxiv.org/abs/2609.38902v1
• Date: Wed, 30 Sep 2026 03:51:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.150233
• Title: Amortized Data Borrowing with Exchangeability-Aware Neural Posterior Estimation
• Title（参考訳）: 交換性を考慮したニューラルネットワーク後部推定による補正データボローイング
• Abstract要約: 薬物開発において、外部または歴史的コホートによる小さな同時研究が魅力的である。 ベイズ動的借入は、外部データの影響を適応的に制御するための原則化された枠組みを提供する。 フレキシブルな代替手段として,無傷神経後部推定(NPE)について検討した。
• 参考スコア（独自算出の注目度）: 5.9072727775005385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Augmenting small concurrent studies with external or historical cohorts is attractive in drug development, where enrollment is slow, follow-up is expensive, and closely related trial or real-world data are often already available. Bayesian dynamic borrowing (BDB) provides a principled framework for adaptively controlling the influence of external data, but classical implementations often depend on hand-specified priors and MCMC-based inference, which can be computationally expensive and not generalizable. In this work, we study amortized neural posterior estimation (NPE) as a flexible alternative. A single network is pretrained on simulated current/external dataset pairs spanning covariate shift, outcome drift, and joint non-exchangeability, and then returns an approximate posterior for a scalar current-study target in a single forward pass. Through simulation studies, we find that NPE is most useful under outcome drift and joint mismatch: in the harder outcome-drift regimes, it gives up to about five-fold lower absolute bias than the best classical baseline and keeps Type I error close to nominal. After pretraining, posterior summaries are obtained in about 8 ms per dataset, roughly $10^3\times$ faster than MCMC-based borrowing baselines in our timing experiment. We further analyze Alzheimer's Disease Neuroimaging Initiative (ADNI) data and show that, when mild cognitive impairment outcomes differ across cohorts, the NPE formulation recovers the later-cohort risk level in this example without claiming greater precision. Code is available at https://github.com/ChinHungScott/NPE-for-Bayesian-Dynamic-Borrowing-MLHC-.
• Abstract（参考訳）: 外部または歴史的コホートによる小さな同時研究の増加は、薬物開発において魅力的であり、登録が遅く、フォローアップが高価であり、近縁なトライアルや実世界のデータがしばしば利用可能である。 Bayesian dynamic borrowing (BDB) は、外部データの影響を適応的に制御するための原則的なフレームワークを提供するが、古典的な実装は、しばしば手作業で指定した事前とMCMCベースの推論に依存し、計算的に高価であり、一般化できない。 本研究は,神経後生推定(NPE)を柔軟な代替手段として検討する。 1つのネットワークは、共変量シフト、結果ドリフト、関節非交換性にまたがる模擬電流/外部データセットペアに事前トレーニングされ、その後、1つの前方パスでスカラー電流-スタディターゲットの近似後部を返す。 シミュレーション研究により、NPEは結果のドリフトや関節のミスマッチにおいて最も有用であることが判明した。 事前トレーニング後, 約8ms/s, MCMCベースの借用ベースラインよりも約10^3\times$の速さで後続サマリーが得られた。 さらに、アルツハイマー病神経画像イニシアチブ(ADNI)データを解析し、軽度の認知障害がコホートによって異なる場合、NPEの定式化は、より正確な精度を主張することなく、後発コホートリスクレベルを回復することを示した。 コードはhttps://github.com/ChinHungScott/NPE-for-Bayesian-Dynamic-Borrowing-MLHC-で公開されている。

関連論文リスト

• Neural Posterior Estimation for Stochastic Epidemic Models Using Final Outcome Data [0.0]
  フィードフォワードニューラルネットワークによってパラメータ化されたlogNormal 後部近似は,様々な人口規模や送信体制で参照後部を正確に復元することを示す。 合成データセットと実際のアウトブレイクデータセットの両方のパフォーマンスは、一貫して強い。
  論文  参考訳（メタデータ） (2026-06-01T20:40:27Z)
• Preconditioned Robust Neural Posterior Estimation for Misspecified Simulators [0.0]
  我々は,不特定条件下でのプレコンディショニングについて検討し,前条件付き頑健な神経後部推定を提案する。 本研究は, 安定度の高いNPEと組み合わせたプレコンディショニングにより, 標準ベースライン法よりも安定性が向上し, 精度, キャリブレーション, 後部予測適合性が向上することが実証された。
  論文  参考訳（メタデータ） (2026-02-20T05:32:35Z)
• Active Human Feedback Collection via Neural Contextual Dueling Bandits [84.7608942821423]
  本稿では,人間の嗜好フィードバックを抽出するアルゴリズムであるNeural-ADBを提案する。 優先フィードバックがBradley-Terry-Luceモデルに従うと、Neural-ADBが学習したポリシーの最悪の準最適差は、選好データセットが増加するにつれて、サブ線形速度で減少することを示す。
  論文  参考訳（メタデータ） (2025-04-16T12:16:10Z)
• Robust Amortized Bayesian Inference with Self-Consistency Losses on Unlabeled Data [2.9434969286228494]
  本研究では,実データを含む任意の情報源から得られたテキスト未ラベルデータのトレーニングを可能にする半教師付きアプローチを提案する。 我々は,高次元時系列データや画像データなど,実世界のいくつかのケーススタディに対するアプローチを検証した。
  論文  参考訳（メタデータ） (2025-01-23T08:57:02Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。